Pokročilé skórování spánkových dat
Loading...
Date
Authors
Jagošová, Petra
ORCID
Advisor
Referee
Mark
D
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato diplomová práce se zabývá pokročilým skórováním spánkových dat, které bylo provedeno pomocí hluboké neuronové sítě. Ke skórování jsou využívána data tepové frekvence a informace o pohybu naměřené pomocí chytrých hodinek Apple Watch. Po vhodném předzpracování sloužila tato data jako vstupní parametry do navržených sítí. Cílem LSTM sítě bylo provést klasifikaci dat buď do dvou skupin na spánek a bdění nebo do tří skupin na bdění, Non-REM a REM. Nejlepších výsledků dosáhla síť provádějící klasifikaci spánek vs. bdění s využitím akcelerometru. Statistické vyhodnocení této nejlepší sítě dosáhlo hodnoty senzitivity 71,06 %, specificity 57,05 %, celkové úspěšnosti (accuracy) 70,01 % a F1 skóre 81,42 %.
The master´s thesis is focused on advanced scoring of sleep data, which was performed using deep neural network. Heart rate data and the movement information were used for scoring measured using an Apple Watch smartwatch. After appropriate pre-processing, this data serves as input parameters to the designed networks. The goal of the LSTM network was to classify data into either two groups for sleep and wake or into three groups for wake, Non-REM and REM. The best results were achieved by network doing classification of sleep vs. wake using the accelerometer. The statistical evaluation of this best-designed network reached the values of sensitivity 71,06 %, specificity 57,05 %, accuracy 70,01 % and F1 score 81,42 %.
The master´s thesis is focused on advanced scoring of sleep data, which was performed using deep neural network. Heart rate data and the movement information were used for scoring measured using an Apple Watch smartwatch. After appropriate pre-processing, this data serves as input parameters to the designed networks. The goal of the LSTM network was to classify data into either two groups for sleep and wake or into three groups for wake, Non-REM and REM. The best results were achieved by network doing classification of sleep vs. wake using the accelerometer. The statistical evaluation of this best-designed network reached the values of sensitivity 71,06 %, specificity 57,05 %, accuracy 70,01 % and F1 score 81,42 %.
Description
Citation
JAGOŠOVÁ, P. Pokročilé skórování spánkových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Valentýna Provazník, Ph.D. (předseda)
Ing. Marina Filipenská, Ph.D. (místopředseda)
Ing. Kateřina Šabatová (člen)
Ing. Oto Janoušek, Ph.D. (člen)
doc. Mgr. Zdenka Fohlerová, Ph.D. (člen)
Date of acceptance
2021-06-09
Defence
Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Janoušek položil otázku na obr. 20: okomentujte vhodnost předzpracování dat. Prof. Provazník položil otázku na vymazávání epoch a statistické zhodnocení výsledků. Studentka obhájila diplomovou práci s výhradami a odpověděla na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení